企业官网建设流程全解析

LangGraph

以图的方式构建语言代理

官方文档地址：https://langchain-ai.github.io/langgraph/

LangGraph 是一个用于构建具有 LLMs 的有状态、多角色应用程序的库，用于创建代理和多代理工作流。与其他 LLM 框架相比，它提供了以下核心优势：循环、可控性和持久性。

LangGraph 允许您定义涉及循环的流程，这对于大多数代理架构至关重要。作为一种非常底层的框架，它提供了对应用程序的流程和状态的精细控制，这对创建可靠的代理至关重要。此外，LangGraph 包含内置的持久性，可以实现高级的“人机交互”和内存功能。

LangGraph 是 LangChain 的高级库，为大型语言模型（LLM）带来循环计算能力。它超越了 LangChain 的线性工作流，通过循环支持复杂的任务处理。

• 状态：维护计算过程中的上下文，实现基于累积数据的动态决策。
• 节点：代表计算步骤，执行特定任务，可定制以适应不同工作流。
• 边：连接节点，定义计算流程，支持条件逻辑，实现复杂工作流
  

主要功能

• 循环和分支：在您的应用程序中实现循环和条件语句。
• 持久性：在图中的每个步骤之后自动保存状态。在任何时候暂停和恢复图执行以支持错误恢复、“人机交互”工作流、时间旅行等等。
• “人机交互”：中断图执行以批准或编辑代理计划的下一个动作。
• 流支持：在每个节点产生输出时流式传输输出（包括令牌流式传输）。
• 与 LangChain 集成：LangGraph 与LangChain和Langsmith无缝集成（但不需要它们）。

安装

pipinstall-Ulanggraph

示例

LangGraph 的一个核心概念是状态。每次图执行都会创建一个状态，该状态在图中的节点执行时传递，每个节点在执行后使用其返回值更新此内部状态。图更新其内部状态的方式由所选图类型或自定义函数定义。

让我们看一个可以使用搜索工具的简单代理示例。

langgraph_hello.py

fromtypingimportLiteralfromlangchain_core.messagesimportHumanMessagefromlangchain_core.toolsimporttoolfromlangchain_deepseekimportChatDeepSeek# 导入langgraph检查点，用于持久化状态fromlanggraph.checkpoint.memoryimportMemorySaver# 导入状态图和状态fromlanggraph.graphimportEND,StateGraph,MessagesState# 导入工具节点（普通节点调用函数、工具节点调用工具）fromlanggraph.prebuiltimportToolNode# 定义工具函数，用于代理调用外部工具@tooldefsearch(query:str):"""模拟一个搜索工具"""if"上海"inquery.lower()or"Shanghai"inquery.lower():return"现在30度，有雾"return"现在是30度，阳光明媚。"# 将工具函数放入工具列表tools=[search]# 创建工具节点tool_node=ToolNode(tools)# 1. 初始化模型和工具，定义并绑定工具到模型model=ChatDeepSeek(model="deepseek-chat",temperature=0).bind_tools(tools)# 定义函数，决定是否继续执行# 路由函数# 它不是业务计算节点，而是决定下一跳的条件判断器defshould_continue(state:MessagesState)->Literal["tools",END]:messages=state["messages"]last_message=messages[-1]# 如果llm调用了工具，则转到tools节点# last_message.tool_calls: 有值，说明模型这轮不是直接回答，而是发起工具调用意图# 无值：说明模型已经给出最终自然语言答复iflast_message.tool_calls:return"tools"# 否则，停止（回复用户）returnEND# 定义调用模型的函数defcall_model(state:MessagesState):messages=state["messages"]response=model.invoke(messages)# 返回列表，因为这将被添加到现有列表中return{"messages":[response]}# 2. 用状态初始化图，定义一个新的状态图# MessagesState是一个预构建的状态模式，它具有一个属性，一个LangChain对象列表，以及将每个节点的更新合并到状态中的逻辑workflow=StateGraph(MessagesState)# 3. 定义图节点，定义我们将循环的两个节点workflow.add_node("agent",call_model)# agent节点，负责决定采取什么（如果有）行动workflow.add_node("tools",tool_node)# 调用工具的tools节点：如果代理决定采取行动，此节点将执行该行动# 4. 定义入口点和图边# 设置入口点为agent# 这意味着这是第一个被调用的节点workflow.set_entry_point("agent")# 添加条件边# 条件边：调用代理后，我们应该要么：如果代理说要采用行动，则运行工具，如果代理没有要求运行工具，则完成（回复用户）·workflow.add_conditional_edges(# 首先，定义起始节点。我们使用agent# 这意味着这些边是在调用agent节点后采取的"agent",# 接下来，传递决定下一个调用节点的函数should_continue,)# 添加从tools到agent的普通边# 这意味着在调用tools后，接下来调用agent节点# 普通边：调用工具后，图应该始终返回到代理以决定下一步操作workflow.add_edge("tools","agent")# 初始化内存以在图运行之间持久化状态checkpointer=MemorySaver()# 可以存Redis、Mongodb# 5. 编译图# 这将其编译成一个LangChain可运行对象# 这意味着你可以像使用其他可运行对象一样使用它# 注意：我们（可选的）在编译图时传递内存# 编译图：将图转换为可运行对象，这会自动启动使用您的输入调用.invoke()、.stream()、.batch()方法# 传递检查点对象，在图运行之间持久化状态，并启用内存、人机交互工作流、时间旅行等等，本例中使用MemorySaver，将状态存储在内存中app=workflow.compile(checkpointer=checkpointer)# 6. 执行图，使用可运行对象final_state=app.invoke({"messages":[HumanMessage(content="北京的天气怎么样？")]},config={"configurable":{"thread_id":42}})# 从 final_state 中获取最后一条消息的内容result=final_state["messages"][-1].contentprint(result)print("="*100)final_state=app.invoke({"messages":[HumanMessage(content="我问的哪个城市？")]},config={"configurable":{"thread_id":41}})result=final_state["messages"][-1].contentprint(result)

逐步分解

1. 初始化模型和工具

• 我们使用 ChatDeepSeek 作为我们的 LLM。注意：我们需要确保模型知道可以使用哪些工具。我们可以通过将 LangChain 工具转换为 ChatDeepSeek 工具调用格式来完成此操作，方法是使用 .bind_tools() 方法。
• 我们定义要使用的工具——在本例中是搜索工具。创建自己的工具非常容易——请参阅此处的文档了解如何操作

2. 用状态初始化图

• 我们通过传递状态模式（在本例中为MessagesState）来初始化图（StateGraph）
• MessagesState 是一个预构建的状态模式，它具有一个属性，一个 LangChain Message 对象列表，以及将每个节点的更新合并到状态中的逻辑。

3. 定义图节点

我们需要两个主要节点

• agent节点：负责决定采取什么（如果有）行动。
• 调用工具的 tools 节点：如果代理决定采取行动，此节点将执行该行动。

4. 定义入口点和图边

首先，我们需要设置图执行的入口点——agent节点。

然后，我们定义一个普通边和一个条件边。条件边意味着目的地取决于图状态（MessageState）的内容。在本例中，目的地在代理（LLM）决定之前是未知的。

• 条件边：调用代理后，我们应该要么
  • a. 如果代理说要采取行动，则运行工具
  • b. 如果代理没有要求运行工具，则完成（回复用户）。
• 普通边：调用工具后，图应该始终返回到代理以决定下一步操作。

5. 编译图

• 当我们编译图时，我们将其转换为 LangChain Runnable，这会自动启用使用您的输入调用 .invoke()、.stream()和.batch()。
• 我们还可以选择传递检查点对象以在图运行之间持久化状态，并启用内存、“人机交互”工作流、时间旅行等等。在本例中，我们使用MemorySaver——一个简单的内存中检查点。

6. 执行图

• LangGraph 将输入消息添加到内部状态，然后将状态传递给入口点节点agent
• agent节点执行，调用聊天模型。
• 聊天模型返回AIMessage。LangGraph 将其添加到状态中。
• 图循环以下步骤，直到AIMessage上不再有tool_calls。
  • 如果AIMessage具有tool_calls，则tools节点执行
  • agent节点再次执行并返回AIMessage
• 执行进度到特殊的 END 值，并输出最终状态。因此，我们得到所有聊天消息的列表作为输出。

总结：

• 循环逻辑
• agent->router->tools->agent…循环
• 直到某次返回END，表示图完成

真实场景，should_continue常会更复杂，比如：

• 限制最大工具调用轮数（防死循环）
• 根据工具错误状态决定重试/降级
• 按tool_name分流到不同子图
• 引入人工审批（human-in-the-loop）在决定是否继续